RNA en la predicción de la corrosión por CO2 en la industria petrolera

En los últimos años, la integración de herramientas como las Redes Neuronales Artificiales (RNA) en el estudio de la corrosión inducida por dióxido de carbono (CO₂) en gas natural representa un reto para la industria energética, debido a su impacto en la integridad de ductos y equipos metálicos. Bajo este contexto la RNA en la predicción de la corrosión por CO₂, se han consolidado como una herramienta avanzada para modelar fenómenos complejos, como la corrosión por CO₂, proporcionando estimaciones confiables de la velocidad de corrosión y los posibles daños localizados en función de la composición del gas natural.

Este fenómeno, conocido como corrosión dulce, está fuertemente influenciado por la composición química del gas, la presencia de agua y trazas de H₂S, así como las condiciones de temperatura y presión. Bajo este contexto la predicción precisa de la tendencia corrosiva por CO₂ permite implementar estrategias de mitigación más eficientes, reduciendo riesgos operativos y costos de mantenimiento.

Fundamentos de la corrosión por CO₂ en gas natural

Cuando el CO₂ se disuelve en el agua presente en ductos o sistemas de transporte, forma ácido carbónico (H₂CO₃), lo que disminuye el pH y aumenta la conductividad del medio. En este ambiente, el hierro presente en los aceros al carbono se oxida en la reacción anódica, liberando electrones y disolviéndose como Fe²⁺. Simultáneamente, los electrones participan en la reacción catódica de reducción de protones, cerrando el circuito electroquímico.

La formación de carbonato de hierro (FeCO₃) puede actuar como película protectora, reduciendo la velocidad de corrosión. Sin embargo, esta protección depende de factores como pH, temperatura, velocidad del flujo y concentración de CO₂, pudiendo disolverse y reactivar la corrosión. La presencia de H₂S intensifica el daño, favoreciendo la formación de sulfuros de hierro (FeS) y aumentando el riesgo de picaduras y agrietamiento por estrés (SSC).

¿Qué es una Red Neuronal Artificial (RNA)?

Las Redes Neuronales Artificiales (RNA) constituyen una herramienta avanzada de aprendizaje automático diseñada para identificar patrones complejos dentro de conjuntos de datos multivariantes. Su funcionamiento se inspira en el sistema nervioso humano, donde múltiples “neuronas” interconectadas procesan información de forma simultánea. . Aunque a simple vista pueden parecer complejas, en realidad están formadas por elementos y estructuras fundamentales que colaboran para procesar datos y generar resultados.

Estructura de la Red Neuronal Artificial (RNA)

La estructura básica de una red neuronal está compuesta por distintas capas de neuronas conectadas entre sí. La capa de entrada se encarga de recibir los datos y transmitirlos a lo largo de la red, mientras que la capa de salida proporciona el resultado final. Entre ambas, existen una o varias capas ocultas responsables de transformar y procesar la información. En la siguiente imagen se muetra la conceptualización de un diagrama de una Red Neuronal Artificial como un sistema Multilayer Perceptron o MLP.

1. Capa de entrada (Entradas – X): En el lado izquierdo se observan las variables de entrada representadas como:

• $x_1, x_2, \dots, x_n$x1​,x2​,…,xn​

Cada una de estas variables alimenta la red con información del proceso.

El término +1 representa el bias (sesgo), que permite ajustar el modelo y mejorar la capacidad de aprendizaje.

2. Pesos sinápticos (W¹ y W²): Las conexiones entre neuronas están representadas por líneas, cada una con un peso asociado:

• W¹: conecta la capa de entrada con la capa oculta
• W²: conecta la capa oculta con la capa de salida

Estos pesos son fundamentales porque:

• Determinan la importancia de cada variable
• Se ajustan durante el entrenamiento de la red
• Permiten modelar relaciones no lineales

3. Capa oculta (Hidden Layer): Es el núcleo del modelo, donde ocurre el procesamiento:

• Cada nodo (neurona) combina las entradas mediante una suma ponderada
• Luego aplica una función de activación (no mostrada explícitamente en la imagen)

En esta parte la red detecta patrones complejos

4. Capa de salida (Salidas – Y): En el lado derecho se encuentran las salidas:

• $y_1, y_2, \dots, y_m$y1​,y2​,…,ym​

5. Flujo de información: El proceso sigue una dirección clara:

Durante el entrenamiento: Se ajustan los pesos mediante retropropagación (backpropagation) para minimizar el error.

¿Cómo se procesan los datos en una RNA aplicada a corrosión?

El uso de RNA permite anticipar el comportamiento corrosivo y optimizar estrategias de mitigación, reduciendo riesgos y aumentando la vida útil de los equipos. Así, la combinación de criterios tradicionales de presiones parciales con técnicas de inteligencia artificial constituye una herramienta poderosa para la gestión de la corrosión en la industria del gas natural. El procesamiento de datos en una RNA para predicción de corrosión sigue una secuencia estructurada:

Primero, se recopilan datos representativos del sistema, que incluyen composiciones del gas natural, condiciones operativas y registros históricos de corrosión. Estos datos son posteriormente depurados, normalizados y organizados para garantizar coherencia y evitar sesgos en el modelo.

Luego, los datos se dividen en conjuntos de entrenamiento y validación. Durante el entrenamiento, la red ajusta sus parámetros internos mediante algoritmos como la retropropagación, minimizando el error entre los valores predichos y los observados.

En aplicaciones más avanzadas, pueden incorporarse clasificadores probabilísticos, como enfoques bayesianos, que permiten estimar la probabilidad de ocurrencia de escenarios corrosivos específicos, aumentando la robustez del modelo.

Este enfoque resulta especialmente útil en sistemas donde la corrosión depende de múltiples variables interdependientes, como ocurre en ambientes con CO₂ y H₂S.

La presión parcial de los gases es un factor clave para predecir el tipo de corrosión que puede presentarse en una mezcla de gas natural, ya que influye directamente en las reacciones químicas que afectan a los materiales. Para evaluar esto, se utilizan los valores de CO₂ expresados en porcentaje molar y de H₂S en partes por millón (ppm). La relación entre las presiones parciales de ambos gases permite determinar cuál es el mecanismo de corrosión predominante, tal como lo describen Feng et al. (2018). Los criterios son los siguientes:

• PpCO₂/PpH₂S < 20 ⇒ Corrosión ácida por H₂S: predomina la acción corrosiva del sulfuro de hidrógeno, que genera ácidos fuertes capaces de atacar el metal.
• 20 < PpCO₂/PpH₂S < 500 ⇒ Corrosión combinada por H₂S + CO₂: ambos gases contribuyen al proceso corrosivo, generando una mezcla de ácido carbónico y ácido sulfhídrico que acelera la degradación del material.
• PpCO₂/PpH₂S > 500 ⇒ Corrosión dulce por CO₂: el CO₂ es el gas dominante, formando principalmente ácido carbónico, lo que produce un ataque más uniforme y menos agresivo que el causado por H₂S.

Estos criterios permiten a los ingenieros y especialistas en corrosión anticipar el tipo de daño que podría ocurrir.

Aplicación de RNA en la predicción de la corrosión por CO₂

La utilidad de la RNA en la industria del gas natural, radica en que la corrosión no depende de una sola variable, sino de la interacción simultánea de múltiples factores como: Composición química del gas (CO₂, H₂S, CH₄, N₂, etc.), presión y temperatura, presencia de agua líquida, condiciones de flujo o estáticas. Y tomando en consideracion la redicciones del mecanismo de corrosión predominante en función de la presión parcial.

En base a lo antes expuesto para mejorar la precisión de estas predicciones, se pueden emplear Redes Neuronales Artificiales (RNA). Estas herramientas de inteligencia artificial permiten procesar múltiples variables simultáneamente, como la presión parcial de gases, temperatura, contenido de agua, velocidad del flujo y características del material, y aprender patrones complejos de corrosión que no siempre son evidentes mediante métodos tradicionales. Aplicandp el modelo sistema Multilayer Perceptron o MLP.

La imagen representa la arquitectura típica de una Red Neuronal Artificial (RNA) utilizada para modelar y predecir fenómenos complejos, como la tendencia corrosiva en función de variables operativas y composición del gas.

En este caso las variables $x_1, x_2, \dots, x_n$. a la izquierda se corresponden a los parámetros del sistema, por ejemplo:

• Presión parcial de CO₂
• Concentración de H₂S
• Temperatura
• Velocidad de flujo
• pH o contenido de agua

Cada una de estas variables alimenta la red con información del proceso.

En el lado derecho se encuentran las salidas:

• $y_1, y_2, \dots, y_m$y1​,y2​,…,ym​

Estas representan las predicciones del modelo, por ejemplo:

Resultados y análisis

Estudios recientes demuestran que las RNA superan a los métodos empíricos tradicionales en precisión de predicción. Entre los hallazgos más relevantes:

• Gases con más del 10% de CO₂ presentan aceleración significativa de la corrosión.
• La combinación CO₂ + H₂S genera escenarios críticos para la formación de FeS y SSC.
• Las RNA permiten definir estrategias preventivas ajustando la inyección de inhibidores de manera óptima.

Estos resultados muestran cómo la modelación avanzada puede anticipar riesgos y reducir la ocurrencia de fallas estructurales inesperadas, contribuyendo a la seguridad y eficiencia operativa.

Conclusiones

La predicción de la tendencia corrosiva por CO₂ en gas natural mediante Redes Neuronales representa un avance importante en la gestión de la corrosión industrial. Esta metodología permite:

• Evaluar cómo la composición del gas afecta la corrosión.
• Anticipar la formación de picaduras y SSC antes de que ocurran daños significativos.
• Implementar estrategias de mitigación más precisas y económicas.

La integración de modelos predictivos basados en RNA con monitoreo en tiempo real y análisis de laboratorio proporciona una herramienta robusta para enfrentar los desafíos de la corrosión por CO₂, asegurando la integridad de los ductos y la continuidad operativa.

Referencias

1. Nesic, S. (2007). Key issues related to modeling of internal corrosion of oil and gas pipelines – A review. Corrosion Science, 49(12), 4308–4338. https://doi.org/10.1016/j.corsci.2007.06.043
2. Zhang, X., Zhang, Y., & Li, X. (2020). Prediction of CO₂ corrosion rates in pipelines using artificial neural networks. Journal of Loss Prevention in the Process Industries, 65, 104142. https://doi.org/10.1016/j.jlp.2020.104142
3. Uhlig, H. H., & Revie, R. W. (2011). Corrosion and Corrosion Control: An Introduction to Corrosion Science and Engineering (4th ed.). Hoboken, NJ: Wiley.
4. Da Silva, R. C., & Spinacé, E. V. (2015). Effect of CO₂ and H₂S on the corrosion of carbon steel in natural gas pipelines. Materials Research, 18(4), 902–912. https://doi.org/10.1590/1516-1439.327615
5. Chen, Y., & Sun, H. (2018). Application of neural networks for prediction of internal corrosion in oil and gas pipelines. Computers & Chemical Engineering, 116, 239–247. https://doi.org/10.1016/j.compchemeng.2018.05.011

Preguntas frecuentes (FAQs)